表示学习词向量提取及其在情感分析中的应用研究
发布时间：2021-09-02 18:28
文本情感分析通过计算机技术自动识别、标注、分类或抽取出自然语言文本中蕴含的主观性内容,从而判断出文本的情感倾向.词表示学习是文本情感分析的关键前提,其核心问题是从非结构化的文本中获取和解析语义知识,以便从数学角度诠释词所蕴含的深层语义和句法关系,实现机器对自然语言的理解和感知.随着互联网文本表达朝着多渠道、多主题和口语化的方向发展,其蕴含的冗余和动态不确定性对语义的抽象和提取提出了更高的要求,使得情感分析问题变得更为复杂和具有挑战性.鉴于此,本课题以提炼文本上下文为切入点,根据文本语料的统计特性优化现有的词表示学习模型,并将其应用到细粒度情感分析问题上,以下是主要研究内容:（1）由于上下文和词之间存在着距离分布不平衡的问题,本文提出了一种基于显著特征的词向量提取方法.为了最大限度的保留文本信息的真实性和可靠性,该方法设计了一种基于距离的语义相关性准则,并在此基础上根据词的上下文分布为其制定了上下文稀疏性标准,研究了一种确定词的显著特征序列的方法.该方法能够克服文本中存在的歧义、无序和噪声等现象,具有统筹全局信息的优点,实验表明该方法在被运用到现有模型时能够极大地提高其在语义相似度任务上...
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：127 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题背景及意义
1.2 表示学习国内外研究现状与发展趋势
1.2.1 离散表示国内外研究现状
1.2.2 分布式表示国内外研究现状
1.3 情感分析国内外研究现状与发展趋势
1.4 面临的困难与挑战
1.5 主要工作简介
第二章 词表示学习内在特性分析
2.1 引言
2.2 基于共现矩阵的分布式表示内在特性分析
2.2.1 基于共现矩阵的分布式表示模型
2.2.2 基于共现矩阵的分布式表示模型对比与分析
2.3 基于神经网络的分布式表示内在特性分析
2.3.1 基于神经网络的分布式表示模型
2.3.2 基于神经网络的分布式表示模型对比与分析
2.4 本章小结
第三章 显著上下文特征词向量提取方法
3.1 引言
3.2 问题描述
3.3 提取显著上下文特征的必要性实验分析
3.4 显著上下文特征提取方法
3.4.1 显著上下文特征提取方法设计
3.4.2 融合显著上下文特征的词向量模型实现
3.5 实验与分析
3.5.1 实验设置
3.5.2 SaFe-PPMI模型实验结果与分析
3.5.3 SaFe-SVD模型实验结果与分析
3.5.4 词向量模型实验对比与分析
3.6 本章小结
第四章 精确上下文特征词向量提取方法
4.1 引言
4.2 问题描述
4.3 提取精确上下文特征的必要性实验分析
4.4 精确上下文特征提取方法
4.4.1 精确上下文特征提取方法设计
4.4.2 融合精确上下文特征的词表示学习模型实现
4.5 实验与分析
4.5.1 实验设置
4.5.2 PPMI-SVD-PMIDP模型实验结果与分析
4.5.3 GloVe-PMIDP模型实验结果与分析
4.5.4 词向量模型实验对比与分析
4.6 本章小结
第五章 基于注意力词向量的方面情感分类方法
5.1 引言
5.2 问题描述
5.3 注意力词向量的必要性实验分析
5.4 注意力词向量的设计与实现
5.4.1 注意力向量的设计
5.4.2 基于注意力向量的词向量优化
5.4.3 基于注意力词向量的方面情感分类模型实现
5.5 基于细胞蜂群算法的注意力向量优化方法
5.5.1 人工蜂群算法特性分析
5.5.2 改进的细胞蜂群算法
5.5.3 细胞蜂群算法全局收敛性分析
5.5.4 基于细胞蜂群算法的注意力向量优化
5.6 实验与分析
5.6.1 实验设置
5.6.2 注意力向量的可行性及优化性能分析
5.6.3 ATV-CNN模型实验结果与分析
5.6.4 方面情感分类模型实验对比与分析
5.7 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
附录:攻读博士学位期间发表的论文
本文编号：3379505
【文章来源】：江南大学江苏省 211工程院校 教育部直属院校
【文章页数】：127 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题背景及意义
1.2 表示学习国内外研究现状与发展趋势
1.2.1 离散表示国内外研究现状
1.2.2 分布式表示国内外研究现状
1.3 情感分析国内外研究现状与发展趋势
1.4 面临的困难与挑战
1.5 主要工作简介
第二章 词表示学习内在特性分析
2.1 引言
2.2 基于共现矩阵的分布式表示内在特性分析
2.2.1 基于共现矩阵的分布式表示模型
2.2.2 基于共现矩阵的分布式表示模型对比与分析
2.3 基于神经网络的分布式表示内在特性分析
2.3.1 基于神经网络的分布式表示模型
2.3.2 基于神经网络的分布式表示模型对比与分析
2.4 本章小结
第三章 显著上下文特征词向量提取方法
3.1 引言
3.2 问题描述
3.3 提取显著上下文特征的必要性实验分析
3.4 显著上下文特征提取方法
3.4.1 显著上下文特征提取方法设计
3.4.2 融合显著上下文特征的词向量模型实现
3.5 实验与分析
3.5.1 实验设置
3.5.2 SaFe-PPMI模型实验结果与分析
3.5.3 SaFe-SVD模型实验结果与分析
3.5.4 词向量模型实验对比与分析
3.6 本章小结
第四章 精确上下文特征词向量提取方法
4.1 引言
4.2 问题描述
4.3 提取精确上下文特征的必要性实验分析
4.4 精确上下文特征提取方法
4.4.1 精确上下文特征提取方法设计
4.4.2 融合精确上下文特征的词表示学习模型实现
4.5 实验与分析
4.5.1 实验设置
4.5.2 PPMI-SVD-PMIDP模型实验结果与分析
4.5.3 GloVe-PMIDP模型实验结果与分析
4.5.4 词向量模型实验对比与分析
4.6 本章小结
第五章 基于注意力词向量的方面情感分类方法
5.1 引言
5.2 问题描述
5.3 注意力词向量的必要性实验分析
5.4 注意力词向量的设计与实现
5.4.1 注意力向量的设计
5.4.2 基于注意力向量的词向量优化
5.4.3 基于注意力词向量的方面情感分类模型实现
5.5 基于细胞蜂群算法的注意力向量优化方法
5.5.1 人工蜂群算法特性分析
5.5.2 改进的细胞蜂群算法
5.5.3 细胞蜂群算法全局收敛性分析
5.5.4 基于细胞蜂群算法的注意力向量优化
5.6 实验与分析
5.6.1 实验设置
5.6.2 注意力向量的可行性及优化性能分析
5.6.3 ATV-CNN模型实验结果与分析
5.6.4 方面情感分类模型实验对比与分析
5.7 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
附录:攻读博士学位期间发表的论文
本文编号：3379505
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3379505.html
